Jinhan Kim, CEO al Standigm – Seria de interviuri

Jinhan Kim este CEO al Standigm, o companie de descoperire a medicamentelor cu ajutorul inteligenței artificiale.

De la identificarea țintelor personalizate la generarea de compuși, platforma de inteligență artificială Standigm oferă informații pentru fiecare etapă de dezvoltare a medicamentelor comerciale valoroase din proiectele interne și parteneriate.

Ați început să programați când ați fost în clasa a VI-a, puteți să ne spuneți cum v-ați interesat și ce ați lucrat inițial?

Ah, da – pe Apple (AAPL ) II Plus. Acesta a fost catalizatorul care m-a transformat dintr-un iubitor de cărți într-un creator. Am început să programez, începând cu programarea în C, din curiozitate. M-am interesat de principiile și aspectele teoretice ale calculatorului meu. De acolo, am devenit un învățător pe viață în domeniul tehnologiei.

Ce v-a atras inițial spre învățarea mașinilor?

Am obținut diplome în chimie aplicată și inteligență artificială la Universitatea din Edinburgh, sub îndrumarea lui Geoffrey Hinton. El este neuroscientist și om de știință computerizată care a creat, în esență, învățarea profundă. Hinton a lucrat la rețele neuronale artificiale și a proiectat mașini inteligente și autonome – și, ulterior, algoritmi de învățare a mașinilor. Google (GOOGL ) l-a angajat acum zece ani pentru a crea inteligența artificială a companiei, și restul este istorie.

Când ați fost implicat pentru prima dată în intersecția biologiei și a învățării mașinilor?

Lucram la Institutul Avansat de Tehnologie Samsung, unde dezvoltam algoritmi. Unul dintre algoritmii pe care i-am dezvoltat a fost un mecanism pentru repararea daunelor ADN. Voiam să urmăresc munca în domeniul biologiei și să rezolv cele mai dificile probleme pentru a atinge țintele. Atât corpul uman, cât și calculatoarele care gândesc ca oamenii sunt la fel de complexe, și trebuie să lucrați pentru a înțelege una pentru a înțelege cealaltă. Sistemele de inteligență artificială nu numai că pot săpară prin cantități extinse de date științifice publicate de-a lungul deceniilor din întreaga lume, dar pot să și proceseze complexitățile corpului uman și să prindă rapid și coerent modelele mecanismelor biologice. A fost ușor să văd biologia și învățarea mașinilor mergând mână în mână.

Puteți să ne spuneți povestea de origine a Standigm?

Lucrul meu în sănătate și știință a dezvăluit ceea ce, pentru mine, a fost o problemă mare în descoperirea tradițională a medicamentelor: timpul și banii necesari pentru a scana articole de cercetare științifică și încercări de screening sau indiciile care oferă punctul de plecare pentru potențialele noi medicamente. Oamenii de știință făceau această cercetare intensivă. Eu și doi colegi de la Samsung, Sang Ok Song și So Jeong Yun, am văzut o oportunitate de a muta munca de la oameni la o mașină inteligentă și de a proiecta un nou flux de lucru. De asemenea, nu voiam să lucrez pentru un salariu; voiam să lucrez pentru mine, să aduc metodele de descoperire a medicamentelor la un nou standard de paradigme, care este originea lucrării și numele de “Standigm”, compania pe care am fondat-o împreună cu cei trei. Modelul nostru de inteligență artificială atinge acum o precizie ridicată a prezicerii și tehnologia sa de inteligență artificială atinge ROI-ul maxim.

Ce este problema accesibilității sintetice și cum lucrează Standigm pentru a o rezolva?

Modelele generative pot proiecta structuri moleculare noi fără ajutorul chimistilor medicamentelor bine pregătiți, ceea ce este una dintre cele mai importante motive pentru adoptarea entuziastă a acestei tehnologii de către comunitățile de descoperire a medicamentelor. Cel mai mare obstacol aici este diferența de viteză între proiectarea moleculelor și sinteza lor experimentală, unde proiectarea a milioane de compuși durează doar câteva ore, iar sinteza a doar zece molecule durează săptămâni sau luni. Deoarece doar o fracțiune mică din compușii proiectați vor fi sintetizați de experții umani, este esențial să aveți măsuri bune pentru proprietățile moleculare.

Modelele de inteligență artificială de prima generație erau grosolane, iar chimistii sintetici au refuzat majoritatea moleculelor proiectate din cauza dificultății planului de sinteză. Unele companii de cercetare și dezvoltare au refuzat chiar să pregătească o propunere pentru această campanie de sinteză.

Standigm a lucrat la această problemă prin angajarea de chimisti medicamentisti experimentați și adăugarea expertizei lor la modelele generative, astfel încât acestea să poată proiecta compuși care nu pot fi deosebiți de cei proiectați de experții umani. Standigm are acum mai multe modele generative care pot gestiona diferite etape de descoperire a medicamentelor: identificarea loviturilor, loviturile la conducere și optimizarea conducătorului. Acest lucru arată importanța de a avea o expertiză diversă pentru orice companie de descoperire a medicamentelor cu inteligență artificială, unde experiența și expertiza umană sunt utilizate în principal pentru a îmbunătăți modelele de inteligență artificială și pentru a asigura cele mai bune fluxuri de lucru pentru fiecare proiect.

Puteți să discutați despre tipurile de algoritmi utilizate de Standigm pentru a facilita descoperirea medicamentelor?

De obicei, începem orice proiect explorator prin prioritizarea proteinelor țintă promițătoare și noi, utilizând Standigm ASK; platforma noastră de biologie constă în algoritmi distincti pentru a antrena rețele biologice masive, a utiliza diferite tipuri de date omice neîmpărtășite, a introduce contexte specifice ale sistemelor biologice și așa mai departe. Selectarea proteinelor țintă corecte este una dintre cele mai importante probleme în descoperirea medicamentelor. Standigm ASK ajută experții în boli prin oferirea de multiple ipoteze de mecanisme de acțiune.

Pentru a asigura brevete cu game de protecție ridicate, Standigm BEST efectuează diverse sarcini, inclusiv sugestia de compuși de lovitură (explorare eficientă), săritura de schelet (luând în considerare accesibilitatea sintetică și noutatea) și diverse modele predictive pentru proprietățile medicamentelor (activitate, proprietăți ADME/Tox și proprietăți fizico-chimice). Multe sarcini mai mici sunt legate de acestea, cum ar fi interacțiunea medicament-țintă, simulări moleculare asistate de inteligență artificială, predicția selectivității și optimizarea multi-parametrilor.

Cât timp este economisit, în medie, atunci când vine vorba de generarea de compuși noi în comparație cu procedurile tradiționale de descoperire a medicamentelor?

Cercetătorii Standigm au sintetizat sute de molecule noi pentru proiecte, multe dintre care au fost desemnate ca molecule de lovitură și conducere în diferite contexte. Prin adoptarea de modele și resurse comerciale bazate pe inteligență artificială, Standigm a redus timpul pentru prima rundă de generare a compușilor noi de la șase luni la o medie de două luni pentru majoritatea proiectelor. Acum, deciziile inițiale de a merge sau a nu merge pot fi luate într-o medie de șapte luni, în loc de trei sau patru ani.

Care sunt unele dintre poveștile de succes ale Standigm pentru comercializarea potențială a medicamentelor?

Utilizând Standigm Insight, care împărtășește același fundal tehnic cu Standigm ASK, am găsit o moleculă de medicament care poate fi utilizată pentru o boală pediatrică rară, validată de un om de știință de la unul dintre cele mai bune spitale de copii din Statele Unite. Acest caz arată că tehnologia de inteligență artificială poate ajuta la descoperirea de medicamente pentru boli rare, o sarcină dificilă pentru o companie de orice dimensiune, din cauza nevoii de valoare comercială mai mare. În special în această recesiune, când companiile farmaceutice încearcă să fie mai conservatoare, inteligența artificială poate promova cercetarea și dezvoltarea în boli rare și neglijate.

Care este viziunea dvs. pentru viitorul învățării profunde și a inteligenței artificiale generative în domeniul sănătății?

Reușita tehnologiei de inteligență artificială depinde de disponibilitatea datelor de înaltă calitate. Va exista, inevitabil, o mare competiție în jurul asigurării unei cantități mari de date de înaltă calitate în sectorul sănătății. Dintr-o perspectivă mai îngustă a descoperirii medicamentelor, datele de chimie și biologie sunt scumpe și necesită mult timp pentru a obține statutul de înaltă calitate. Prin urmare, laboratorul automatizat va fi viitorul pentru domeniul descoperirii medicamentelor cu inteligență artificială, deoarece poate reduce costul datelor de înaltă calitate – combustibilul pentru tehnologia de inteligență artificială. Ne împingem platformele tehnologice la nivelul următor, astfel încât Standigm ASK să poată oferi dovezi mai clare, de la date derivate de la pacienți la biologie moleculară; și astfel încât modelele de inteligență artificială Standigm BEST să fie de ultimă generație, prin alimentarea cu date de înaltă calitate de la laboratoarele noastre automate și colaboratorii noștri.

Există altceva pe care ați dori să îl împărtășiți despre Standigm?

Deoarece echilibrul expertizei diferențiate este important pentru Standigm, echilibrul etniilor este, de asemenea, critic. Am fost extinzându-ne prezența în mediul global prin înființarea birourilor din Regatul Unit (Cambridge) și Statele Unite (Cambridge, MA) pentru a include prezența rețelelor și transformarea Standigm într-o companie mai internațională.

Mulțumim pentru acest interviu minunat, cititorilor care doresc să afle mai multe despre Standigm.